欢迎您访问《智慧农业(中英文)》官方网站! English
专题--农业知识智能服务和智慧无人农场(上)

特色农产品设施环境下品质智能管控技术研究现状与展望

  • 郭威 , 1, 2, 3, 4 ,
  • 吴华瑞 1, 2, 3, 4 ,
  • 郭旺 1, 2, 3, 4 ,
  • 顾静秋 1, 2, 3, 4 ,
  • 朱华吉 , 1, 2, 3, 4
展开
  • 1. 国家农业信息化工程技术研究中心,北京 100097,中国
  • 2. 北京市农林科学院信息技术研究中心,北京 100097,中国
  • 3. 农业农村部数字乡村技术重点实验室,北京 100097,中国
  • 4. 农业农村部农业信息技术重点实验室,北京 100097,中国
朱华吉,博士,研究员,研究方向为农业大数据与人工智能。E-mail:

郭 威,研究方向为农业大数据与人工智能。E-mail:

收稿日期: 2024-11-08

  网络出版日期: 2024-12-20

基金资助

国家重点研发计划(2023YFD1600304)

北京市农林科学院改革与发展项目

Research Status and Prospect of Quality Intelligent Control Technology in Facilities Environment of Characteristic Agricultural Products

  • GUO Wei , 1, 2, 3, 4 ,
  • WU Huarui 1, 2, 3, 4 ,
  • GUO Wang 1, 2, 3, 4 ,
  • GU Jingqiu 1, 2, 3, 4 ,
  • ZHU Huaji , 1, 2, 3, 4
Expand
  • 1. National Engineering Research Center for Information Technology in Agriculture, Beijing 100097, China
  • 2. Information Technology Research Center, Beijing Academy of Agriculture and Forestry Sciences, Beijing 100097, China
  • 3. Key Laboratory of Digital Village Technology, Ministry of Agriculture and Rural Affairs, Beijing 100097, China
  • 4. Key Laboratory of Agri-Informatics, Ministry of Agriculture and Rural Affairs, Beijing 100097, China
ZHU Huaji, E-mail:

GUO Wei, E-mail:

Received date: 2024-11-08

  Online published: 2024-12-20

Supported by

The National Key Research and Development Program of China(2023YFD1600304)

Reform and Development Project of Beijing Academy of Agriculture and Forestry Sciences

Copyright

copyright©2024 by the authors

摘要

[目的/意义] 针对中国中西部特色农产品在设施环境生产过程对品质影响要素监测手段缺乏、智能化管控能力薄弱、品质控制要素耦合关系不明、系统化应用程度低的问题,对现有的设施智能监测、智能管控、平台构建技术进行探索,通过物联网、云平台,以及新一代人工智能技术的应用,为特色农产品全生育期的智能化品质管控体系构建和应用提供依据。 [进展] 以特色羊肚菌和番茄的外观、口感、产量三类品质为管控目标,在品质调控数据采集方面介绍了视频监控、环境监测、生理表型数据采集设备,以及轨道式、轮式巡检机器人,提供稳定可靠的图像、视频、监测数据采集手段;在生长过程调控方面,分别从环境监测调控和肥水灌溉投入品调控阐释了当前的做法,提出了能够针对品质进行多要素耦合全生育期的管控方法;介绍了品质智能管控系统,以及多个生产环节的应用,采用云边端一体化架构为获取的多模态数据以及多要素耦合模型面向多种生产场景提供精准适配的应用和服务。 [结论/展望] 对比特色羊肚菌和番茄的智能化管控现状,番茄整体技术体系更为成熟,羊肚菌产业可以结合自身的生产过程根据技术的需要进行技术迁移,对严苛光照、稳定的高湿低温等个性化要求进行模型定制,面向中西部大部分特色农产品品控宜采用通用型的多要素耦合模型根据场景特性进行参数、模型局部迁移和微调的方式适配。未来的发展趋势呈现设备设施轻简化、智能技术场景化、服务模式多样化、品质管控在线化、数智生产规模化、数据要素价值化,有效利用智能装备和数据要素的优势是将来激发新质生产力的必然趋势。

本文引用格式

郭威 , 吴华瑞 , 郭旺 , 顾静秋 , 朱华吉 . 特色农产品设施环境下品质智能管控技术研究现状与展望[J]. 智慧农业, 2024 , 6(6) : 44 -62 . DOI: 10.12133/j.smartag.SA202411017

Abstract

[Significance] In view of the lack of monitoring means of quality influence factors in the production process of characteristic agricultural products with in central and western regions of China, the weak ability of intelligent control, the unclear coupling relationship of quality control elements and the low degree of systematic application, the existing technologies described such as intelligent monitoring of facility environment, growth and nutrition intelligent control model, architecture of intelligent management and control platform and so on. Through the application of the Internet of Things, big data and the new generation of artificial intelligence technology, it provides technical support for the construction and application of intelligent process quality control system for the whole growth period of characteristic agricultural products. [Progress] The methods of environmental regulation and nutrition regulation are analyzed, including single parameters and combined control methods, such as light, temperature, humidity, CO2 concentration, fertilizer and water, etc. The multi-parameter coupling control method has the advantage of more comprehensive scene analysis. Based on the existing technology, a multi-factor coupling method of integrating growth state, agronomy, environment, input and agricultural work is put forward. This paper probes into the system architecture of the whole process service of quality control, the visual identification system of the growth process of agricultural products and the knowledge-driven agricultural technical service system, and introduces the technology of the team in the disease knowledge Q & A scene through multi-modal knowledge graph and large model technology. [Conclusions and Prospects] Based on the present situation of the production of characteristic facility agricultural products and the overall quality of farmers in the central and western regions of China, it is appropriate to transfer the whole technical system such as facility tomato, facility cucumber and so on. According to the varieties of characteristic agricultural products, cultivation models, quality control objectives to adapt to light, temperature, humidity and other parameters, as well as fertilizer, water, medicine and other input plans, a multi-factor coupling model suitable for a specific planting area is generated and long-term production verification and model correction are carried out. And popularize it in a wider area, making full use of the advantages of intelligent equipment and data elements will promote the realization of light simplification of production equipment, scene of intelligent technology, diversification of service models, on-line quality control, large-scale production of digital intelligence, and value of data elements, further cultivate facilities to produce new quality productivity.

0 引 言

中国设施园艺总面积约为370万hm2,设施蔬菜(含食用菌、西甜瓜)面积约为256.7万hm2,其中日光温室、加温温室和连栋温室约占26%1,是设施园艺生产大国,但整体设施生产水平不高,设施环境调控水平较低,肥料和农药施用仍然较高,生产投入不规范,导致蔬菜品质不佳。国家对设施农业高质量发展非常重视,2023年出台了《全国现代设施农业建设规划(2023—2030年)》提出了提升保供水平、科技装备水平、质量效益水平、绿色发展水平的要求,并将推行智能化管理作为重点任务之一。
针对中西部特色农产品品质-环境-投入品关联数据利用率低、智能化生产过程管控手段缺乏、品质优势转化为产业效益难的问题。相关研究团队以品种、生长环境、投入品动态监测为切入点,以特色农产品外观最优、口感最佳为目标,以产业数字化和农业新质生产力为纲领2, 3,探索农业物联网4-7、农业大数据云平台8-11、农业计算机视觉12-14、农业智能装备研发15, 16在设施环境下生产管控过程的技术路径和可用模式,以期获得面向中国中西部设施类特色农产品智能化生产的成熟、可行的新一代数字化生产与技术服务模式。
本文主要针对特色番茄和羊肚菌设施环境下全生育期品质控制开展研究,分析品质调控数据集构建、特色农产品生长环境调控模型与方法、特色农产品营养调控方法,以及特色农产品品质管控系统研发与应用四个方面技术模式,并提出适用于中西部特色农产品品质调控的路径。首先,品质调控数据集构建,是一切后续数据分析基础,主要包括数据的采集和存储;接着分析生长环境和营养调控模型,包括空气温湿度、CO2浓度、土壤温湿度、氮磷钾含量等环境数据模型的构建以及根据作物水、肥、药、营养等投入品的智能调控模型构建,两个部分构成了面向特色农产品全生育期的过程精细化管理;最后是管控系统的研发和应用,包括面向生产场景细分任务的影像识别、环境预测、技术服务、装备柔性定制,以及数据共享系列面向管理人员、生产人员的服务。图1为特色农产品设施环境品质智能管控整体的技术架构。
图1 特色农产品设施环境品质智能管控整体路线图

Fig. 1 Overall roadmap for intelligent control of environmental quality of characteristic agricultural products facilities

1 特色农产品品质调控数据集构建

为了实现特色农产品全生育期过程精细化调控和品质的智能化管控,需要构建作物全生育期生长参数监测数据指标体系。体系构建的根本来自作物品种的属性,品种的基因表达是决定生长期、品质的根本原因,主要影响外观、口感、产量的基本情况,品种选定需要面向消费者的喜好、生产和科研需求等;品种选定之后,栽培便是主要影响品质的要素,主要是栽培模式和栽培环境,由于设施是相对可控的环境,因此作为整体品质管控的第一项主要内容;水、肥、药等投入品的施用和投入时机是决定品质的另一项重要因素,其需求往往和品种、环境相互耦合,因此很多科研人员开始探索设施环境下多要素耦合机制。

1.1 品质调控数据体系

特色农产品品种多样,特色番茄和羊肚菌是设施环境下典型的中西部特色农产品,由于数据集构建不同作物主要包含元素类似,通常包括品种、栽培、病虫害、水肥、环境、品质,因此以特色番茄为例,从它的种植全过程管理角度阐述数据集的构建。目前公开或自建的番茄数据集构建主要来自基因与性状数据库17-19,番茄病虫害20、长势状态21, 22、果实成熟度、作业环境等影像数据集23, 24,用于描述番茄栽培技术、病虫害防控、农事操作、农业机械的各类专家知识库25-27,面向全生育期整体数据公开的较少28,大都针对具体的研究场景构建垂直的、专业的,单一任务研究的数据集,缺少体系性的、具有因果关系和相关关系的数据规划和数据结构。另外一种则是用于大型知识图谱、大模型的全量知识库,此类数据主要依靠标注和强化学习进行知识规则的探索,缺乏针对性和专业性。
针对作物的全生育期的数据集构建,为充分发挥数据要素的价值,需要体系性地构建数据资源管理目录并进行管理,通过数据标准化采集和存储入库,能够为后续生产过程衍生的海量数据检索、提取、共享、关联分析提供坚实的基础,能够有效的利用互联网公开数据或自建数据集。以番茄品质管控为例,图2展示局部数据指标。品种方面,采集品种名称、成熟期、果实重量、抗病性、抗药性、盐分胁迫、光照、温度、湿度、水肥需求等,为栽培、环境调控、水肥决策和病虫害防控的过程管理提供先决条件和参考。栽培方面,包括栽培区域、栽培模式、物候期、农事记录、起垄要求、环境要求、移栽要求、管理要求、采收要求、机械要求等,该过程的数据形式是多样的,包括图像、文本信息的记录,农事作业过程的视频流记录,机械作业过程的数据等,长期的栽培数据积累能够充分发挥数据要素驱动高质量生产作用,例如提供不同用户同一地块重茬信息,针对具体设施温室的种植环境、土壤、作物品种种植的效果,以及改进建议。病虫害方面主要包括病虫害名称,发生区域、病原、发生原因、物理防治、生物防治、化学防治、危害、影响、药物信息等,能够支持病虫害发生、处理方法等分析。水肥灌溉管控方面,包括灌溉主管路、水源流量、滴灌管压力、支管流量、可溶性盐浓度值(Electrical Conductivity, EC)、水肥比例、灌溉量、施肥量、灌溉时间、电磁阀开关等,主要根据品种特性、栽培模式和环境进行耦合配置。环境调控方面,主要包括空气温湿度、土壤温湿度、CO2浓度、光照强度、土壤pH、土壤氮磷钾含量、土壤含盐量、土壤有机质等,用于监测和调控,部分场景需要与设施温室外气象进行关联耦合控制。品质方面,主要包括果实形状、颜色、厚度、大小,农业残留品、花青素、含糖量、含酸量等外观和营养数据,用于过程和分级分拣管理的标准化。
图2 番茄生理参数与环境参数数据采集指标(部分)

Fig. 2 Data acquisition indexes of tomato physiological and environmental parameters (part)

1.2 数据获取方法

传统的监测模式主要依靠物联网、无线传感器网络进行数据采集,在现场部署空气参数、土壤参数、生理状态监测传感器(见图3),再通过网络传输协议向云平台传输数据,通过软件定义服务的方式支持场景化的数据使用。宋玉琴等29针对集群温室环境监测困难,建立了无线传感器网络,能够准确获取温室环境数据,同时实现低功耗设计,提高了环境监测灵活性。李亚迪等30综合运用传感器技术、自动检测技术和通信技术实现了北方日光温室环境数据远程采集。尚志跃等31设计了基于商业云平台的植物工厂环境监测系统,能够对云平台环境数据进行远程监控。反馈前馈线性化解耦方法,实现了无线传感器网络嵌入式监控远程温湿度解耦控制。曹帅等32采用远距离无线电(Long Range Radio, LORA)技术对农田土壤温湿度、土壤pH、土壤氮磷钾浓度、电导率和光照强度数据进行采集,实现了数据的远程共享。上述的环境监测方式通常采用固定点位监测,能够对环境或生产现场的影响进行采集,满足远程监测的基本要求,但无法对指定地块的不同区域、点位进行更加详细的数据采集。
图3 农业环境监测数据采集设备

Fig. 3 Environmental monitoring data acquisition equipment of agriculture

随着互联网和人工智能技术的快速发展,绳索式机器人33、轮式机器人34、履带式机器人35在种植环境数据采集方面呈现出较强的实用性。王建平和杨宗晔36设计了温室兰花移动视觉机器人,通过任务协调和控制执行两极耦合递阶结构实现兰花苗盘的监测搜寻。Roldan等37设计了温室环境变量采集机器人,通过传感器检测不同高度的温度、湿度、光照强度和CO2浓度,并利用SLAM技术实现自主避障,但在日光温室环境下,垄间表面土壤凸凹不平,行进过程中容易对植株造成破坏。Bai等38针对大尺度植物表型获取研发了NU-Spidercam机器人系统,通过绳索控制搭载平台移动,基于多光谱相机、分光仪等设备实现了黄豆表型数据的获取,但绳索部署需要四角搭设较高的固定装置,监测面积受限,主要用于科学表型数据研究,实用性较差,可推广度较低。
为满足生产和科研人员对设施温室特色作物个体植株表型立体观测和生长环境数据的精细化获取39, 40。在设施环境下,避免管护人员长时间在高温、高湿环境下作业,研发了滑轨式温室影像与环境监测数据采集机器人,实现多自由度数据采集、控制指令传输41-43

1.3 小结

数据体系的构建是动态的,通常需要以机构、区县,乃至市为单位进行数据资源标准化管理,在生产过程中,提前进行数据类型、数据存储、数据交换的规划,能够有效解决标准不一导致的系统重复建设、数据孤岛问题,同时可以为其他阶段的数据解析提供依据。数据资源管理体系构建之后,物联网生产环境监测设备、手机智能终端、跨系统交互的数据便可以进行汇交,通过数据清洗、抽取、去重、缺失值补充等技术,实现特色农产品生产端数据的标准化存储和共享。

2 特色农产品生产过程智能调控模型与方法

特色农产品生产过程智能调控主要包括生长环境调控和营养调控。面向生长过程调控方法是通过设施环境监测参数结合对应品种物候期对环境温度、湿度、需水量、光照等要求进行自动化管控,如图4所示,通常采用设施装备控制的方法结合模型进行指令控制,包括环流风机、轴流风机、棉被、卷帘、湿帘、雾化加湿器等设备的控制实现。面向营养调控主要是农业投入品的控制,通过水肥灌溉、药物施洒、营养包、消毒剂等放置保障作物生长过程的营养,结合作物不同阶段对投入品数量、施用频次和环境导致的变化,通过智能化的手段进行精量控制,节约了投入品使用的同时,降低了生产成本,是绿色生产、提质增效重要手段之一。
图4 农业生产设施环境调控模式图

Fig. 4 Environmental control model diagram for agricultural production facilities

基于物联网技术主要是对可控的设施环境进行关键区域生长数据采集、重要环境参数预警与生长环境控制,通过物联网设备融合高通量数据传输技术和云平台构建成能够进行远程观测、在线分析和智能管控的体系。典型系统包括多参数环境监测传感器、设施环境巡检机器人、肥水灌溉设备、温室设施微控制器等。

2.1 特色农产品生长环境调控模型与方法

生产环境是影响特色农产品品质的关键因素之一,包括空气温湿度、土壤温湿度与光照等多个方面。这些环境因素共同作用于农作物的生长过程,从而影响农产品的口感、营养价值和健康效益。因此,优化和控制特色农产品生长环境对于提高农产品品质至关重要。为了更有效控制羊肚菌生产环境,赵瑞华等44和朱继荣等45对光照、pH值、温度、水势等对羊肚菌菌核形成的影响进行了综述,为推动羊肚菌稳定生长提供基础。考虑到人工智能的快速发展,Morales-García46将人工智能与物联网相结合,利用TinyML和边缘计算平台对作物温室的室内温度进行原位预测。针对农业生产中水资源滥用的问题,Loukatos等47结合物联网、边缘计算和机器学习等技术,研制了智能用水警报系统并进行了试点实施,所构建系统利用边缘计算在边缘端进行用水事件分类,仅将异常事件向网关和云进行传输。而韦玉翡等48探索了针对番茄温室环境的调控系统,利用基于模糊逻辑的微控制器预测番茄温室气候变化,与番茄各生长阶段的温度、湿度及太阳辐射的理想参数对比,再利用模糊控制机制精确计算所需调控量。王梦阳等49将土壤温湿度传感器感知数据转换成标准的0~5 V电压信号,通过研制微控制器智能调控电磁阀、电动阀、吸水泵,以及具有稳压稳流功能的灌溉设备,实现大田作物的精确灌溉作业。考虑到图像、视频等多媒体信息包含的丰富信息,Sengupta等50开发了一种基于物联网的实时径向生长速率测量系统——GrowFruit,利用单个基于Texas Instrument的32位超低功耗微控制器测量约128种不同输入的多种作物的生长情况。使用Flex传感器测量作物周长变化,每个传感器4.5英寸,Flex传感器的弯曲角度产生电压,并通过模拟信号数字信号转换器(Analog-to-Digital Converter, ADC)以数字信号的形式馈送到微控制器,再由Quectel M95 GSM调制解调器将信号发送至云端解析。表1详细介绍了设施环境下光照、通风、温度、臭氧、CO2浓度、土壤温度、土壤湿度、土壤含水率等调控参数在科研实验和生产中的方法和调控效果。
表1 设施环境面向不同参数研究方法和调控效果

Table 1 Research methods and control effects of different parameters are applied to facility environment

作物 调控参数 研究方法 调控效果 文献
番茄 光照 基于最小显著性差异法(Least-Significant Difference,LSD)方法对不同补光方案进行多重比较 相较于红蓝LED光源,采用较低色温的白色LED照明更有利于促进番茄幼苗的生物量积累以及光合色素的合成 李志鑫等51
通风 基于麻雀搜索算法优化长短期记忆(Long Short-Term Memory,LSTM)网络,实现温室温度预测 通过实地部署验证,温室智能通风调控下番茄产量相较于传统温室模式,增长了约8.5% 章子文等52
温度 基于神经网络算法和遗传算法建立不同环境条件下番茄光合速率预测模型 不同环境下番茄适宜温度不同,在该模型作用下,一个生产日单位面积番茄幼苗的光合积累提升了一倍 吴清丽等53
臭氧 基于臭氧浓度阈值判断,通过闭环控制实现温室臭氧杀菌浓度精准控制 臭氧杀菌的闭环调控体系能有效对抗叶霉病、灰霉病及特定害虫,其控制效率分别高达89.3%与92.2% 李新澳等54
温度、光照 研究线性回归模型表征温室外温度与温室内日光积分 获得了对番茄生长适宜温度和光照条件 전숙례等55
土壤温湿度、空气温湿度 建立了多层前馈反向传播(Back Propagation,BP)神经网络模型预测温室光照、空气湿度、土壤温度和土壤湿度 预测土壤温湿度和空气温湿度的平均相对误差均在 5% 以内,是调节和预测番茄生长温室环境的可靠依据 Zhang等56
温度 利用LSTM、门控递归单元和双向LSTM建立了温室温度预测模型 根据预测温度成功模拟了番茄叶面积指数、鲜重和地上干物质,R 2值均高于0.80 Lin等57
湿度 开发了一种温室除湿需求预测。基于作物特性、温室环境和室外气候,预测了每小时除湿需求的变化,并确定了控制 湿度所需的除湿机容量 模型输出通过番茄温室的实际除湿要求进行验证。预测值和测量值之间的R 2值达到0.89,均方根误差值小于最大除湿负荷的10%,具有良好的一致性 Rahman等58
CO2 利用番茄光合速率机理模型构建温室当前CO2与需求CO2浓度预测模型 温室内CO2供应效率受通风 CO2损失的影响大于净同化率的影响 Choi等59
温度、湿度、辐射、CO2浓度、外部气候 利用迁移学习和BiLSTM预测温室温度、相对湿度、辐射、CO2浓度和外部气候温度 BiLSTM模型可以预测环境变化趋势,应用于番茄数据集后得到的预测数据平均R 2分别为0.78和0.81 Moon等60
羊肚菌 光照强度、气温、空气相对湿度、O2浓度、CO2浓度、土壤温度和土壤含水率 利用物联网监测数据建立当地羊肚菌栽培生态环境参数的24 h波动模型 经过实验测定,温室环境下羊肚菌达到最高产量时的晴天正午平均光照强度范围大致在2 500至3 500 lx之间。对于累积的空气与土壤温度、空气中的O2与CO2浓度以及土壤的湿度水平等关键因素,并未观察到明显的相关性变化 谭昊等61
地膜 研究7种不同颜色的地膜培育梯棱羊肚菌和六妹羊肚菌。测量地膜内外环境的光照强度、气温、土壤温度,并统计羊肚菌的产量,探究不同颜色地膜对羊肚菌整个生长发育周期的影响 实验得到黑膜、白黑膜、银黑膜以及银膜由于其膜内温度相对较低,不仅能够有效控制杂草的生长,同时也为羊肚菌菌丝的生长创造了有利条件。另一方面,透明膜、绿膜和红膜因其高透光性,对羊肚菌的子囊、子囊孢子和侧丝的正常发育有着积极影响,出菇整齐,生长周期适中,产量较高 李仔密等62
温度 研究聚焦于不同温度条件对梯棱羊肚菌菌丝生长、特定抗氧化酶的活性及其基因表达水平,以及抗氧化活性物质含量的影响 在5~25 ℃的温度范围内,随着温度的上升,菌丝的生长速率加快,但同时老化过程也加速。在面临温度胁迫时,羊肚菌通过激活不同的抗氧化酶和增加抗氧化活性物质的含量来减少活性氧的积累,从而减轻对菌丝的损害 白静等63
温度、湿度及CO2浓度 构建基于注意力机制的卷积神经网络与LSTM神经网络融合模型,旨在预测温室内的温度、湿度及CO2变化 构建模型在预测温度、湿度及二氧化碳浓度时的误差分别为0.17 ℃(R 2=0.974)、2.06%(R 2=0.804)及8.367 ppm(R 2=0.993)。结果表明,模型在预测食用蘑菇温室内环境参数方面具有较高的准确 Huang等64
面向设施番茄品质的调控方式以环境温度、湿度、光照、土壤、CO2和N2O排放量等因素为主。常用的方式是结合番茄在不同物候期、生长阶段对相关参数的需求设定管控阈值,保障其在全生育期适宜的环境和投入品,相关参数根据品种、种植区域、生产目标的差异而变化,农业科研人员对相关品质调控的成因和管控模型开展了广泛的研究,以保障番茄高产优品。胡瑾65以番茄为研究对象构建了多环境因子光合速率模型和多传感器融合的环境信息处理方法,并构建了专用的调控系统,实现了以植物生理学为基础,融合智能控制、多元感知等理论方法,并在阎良蔬菜种植试验示范站实现了环境的自动调控。黄曼绮和王旭66采用解决技术矛盾的萃智发明原理(Teoriya Resheniya Izobreatatelskikh Zadatch, TRIZ)设计了大棚机器人监测系统,能够提升数据监测精度并进行数据动态修正,为数据采集的连续性提供保障。郭威等67针对番茄长势环境精准监测设计了影像采集与环境监测机器人,包括感知中枢、决策中枢和执行中枢,支持光、温、水、气的实时监测和长势识别模型的嵌入,在小汤山国家精准农业基地和赵县农业科技园区应用示范,该巡检体系可用于羊肚菌的菌群和生长过程菇形的监测。程雅雯等68针对番茄苗期株高长势重要监测指标在YOLOv7目标检测模型基础上,使用内容感知特征重组(Content-Aware ReAssembly of FEatures, CARAFE)替代原近邻插值上采样方法,通过获取更加丰富的特征信息提高了株高监测精度,为设施环境下的株高实时监测提供理论依据。Fan等69针对番茄果实品质过程调控,采用基于白光并附加红、蓝、绿光的精确LED光源控制,发现了在高每日光照积分(Daily Light Integral, DLI)红光和低DLI蓝光的白光下获得较高的糖酸比,较高DLI条件下β-胡萝卜素、番茄红素和叶黄素含量显著增加,为植物工厂番茄品质调控光源配置提供依据。孙亚楠等70通过设置灌水水平、施氮水平、加气水平三因素随机参数,采用静态暗箱-气相色谱法规全生育期温室气体排放进行检测,发现灌溉水平和施氮水平增大会增加土壤CO2、N2O排放通量,加气灌溉对土壤CO2、N2O排放通量有显著影响,获得了经济因素和生态因素较好的组合方式,为番茄温室灌溉保障品质提供参考。
设施羊肚菌与设施番茄管理范式类似,其差异主要来自其菌种对高湿度、低温度、少光照的苛刻要求。农业专家在受控环境下针对以上参数分析开展了雾化装置、通风装置、薄膜棉被装置的精细化控制以保障羊肚菌理想的生长环境,确保产量、果形等品质以满足消费市场。杨洁等71针对羊肚菌生长过程,分析了设施环境下栽培的温度、湿度、空气和光照等环境因子对羊肚菌生长影响,指出了目前存在缺乏耕深层次的环境因子和羊肚菌菌种内在机制关联分析的现状,为后续的多要素、多指标耦合关系探索提供参考。边银丙72提出了北方羊肚菌冬春季节气候干燥且寒冷,暖棚保温、保湿与通风协调性差的问题,针对棚内环境参数控制难得情况,建议一方面因地制宜进行菇棚设计,另一方面需要在生长发育栽培环境监测基础上,进行更加精细的自动化控制,以保障羊肚菌品质。贺国强等73针对覆膜发菌环境提出了覆膜后需要注意温度和通风控制,针对出菇环境调控,提出了遮阳网和塑料薄膜对阳关、草害、温度的控制,亟需设施工厂化环境可控的栽培模式。伏俊伟74研究了温室栽培过程羊肚菌孢子法、菌丝扩散、菌丝团形成和菌盖形成4个阶段的温度、湿度、光照特点,并提出了基于“高压主管+分管雾化喷头悬挂”的模式,实现了羊肚菌全生长周期环境雾化微喷精确控制,取得了较好的效果。卢营蓬等75研究了羊肚菌加速干燥、恒速干燥和降速干燥三个阶段升温速率对干燥速度的影响,发现了缓速升温的分段式变温干燥工艺干品品质最佳,但干燥时间较长,能耗较高,通过提升干燥速率、设置间歇,能够缩短净干燥时间,降低能耗,获得较好的干品品质,为羊肚菌的产后品质保障提供依据。

2.2 特色农产品营养调控模型与方法

农作物的营养调控主要是肥料和水分的供给,结合环境与作物生理监测传感器和设施多种参数管控设备能够进行有效的反馈,特别是通过种植品种特性定义的不同生长期的肥水需求,为果实大小、产量、颜色、口感等品质要素的影响提供了过程管控的可能性。在肥水精准供给方面,通过水肥一体化技术进行灌溉量、施肥量耦合长势、生长环境的预测是当前的主要智能化调控趋势,如图5所示,在了解种植作物品种并确定种植产量和目标的基础上,以环境多参数监测和管控为基础,面向肥水灌溉分别提供了设备状态、EC值、灌溉流量、灌区总灌溉量等参数监测,以及通过电磁阀的控制技术,以确保在作物全生育期的节水、节肥。表2展示了当前水肥灌溉、营养供给的决策方法和调控效果,为不同种植条件、种植目标提供可行的营养调控方法。
图5 水肥灌溉调控示意图

Fig. 5 Water and fertilizer irrigation control diagram

表2 设施环境下营养调控方法与效果

Table 2 Methods and effects of nutrition regulation in facility environment

作物 调控参数 研究方法 调控效果 文献
番茄 水肥预测 基于遗传算法构建盐碱地基质栽培番茄的最优水肥调控模型 调控模型所得最优灌溉水量、施肥量与实验所得最优灌溉施肥方案接近 赵文举等76
肥料预测 构建针对目标产量下温室番茄氮磷钾肥料施用量的预测模型。分别运用基于麻雀搜索算法的神经网络模型、改进后的麻雀搜索算法神经网络模型,以及混合算法神经网络模型预测温室番茄的氮磷钾肥料施用量 在高土壤肥力条件下,与基于麻雀搜索算法的神经网络模型相比,其他两种模型的均方误差(Mean Squared Error, MSE)分别降低至0.007和0.005,解释方差分数(Explained Variance Score,EVS)分别提升至0.871和0.908,R 2则分别提升至0.862和0.899 Yu等77
水肥量与产量耦合 构建了TOPSIS(Technique for Order Preference by Similarity to Ideal Solution)模型,旨在预测滴灌水量与施肥量对番茄水肥生产力、产量及质量指标的综合效应 实验得到当番茄的作物系数(Kcp)值位于0.74~0.78之间,施肥系数(Kf)值在1.13~1.27之间时,番茄的生长表现最佳 Yu等78
灌溉量温湿度耦合 利用全球定位系统(Global Positioning System,GPS)模块定位灌溉地点,自动计算当日的日出、日落及日中时间,并融合椰糠基质的吸水特性与番茄日常水分需求的变化,将一天动态地划分为四个灌溉阶段。同时,结合温室内的温湿度以及排液电导率,选择标准灌溉模式或特定洗盐模式 相较于辐射累积控制灌溉,该灌溉模式的灌溉量增加了1.8%,肥料使用量减少7.3%,排液比例下降7.9%,且排液的EC值降低了9.3%;而与定时灌溉相比,灌溉量减少11.3%,肥料使用量降低20.0%,排液比例下降17.9%,排液的EC值也下降了4.9% 刘天翔等79
灌溉量蒸腾量耦合 利用传感器测量番茄单株每小时的蒸腾量数据,分析番茄蒸腾活动与温室内部环境因素之间的时间滞后关系,构建了融入光辐射延迟效应的温室番茄蒸腾量预测模型 晴朗天气条件下,考虑光辐射延迟效应(1 h)的温室番茄蒸腾模型表现出最小的误差和最高的预测精度。在番茄果实发育的关键阶段,采用模型推荐的灌溉参数(1.2倍预测蒸腾量)能够实现最佳的灌溉管理 孙一鑫等80
施肥对比 基于水肥一体化技术研究了5种施肥水平(以N计, N0:0 kg/hm2、N1:150 kg/hm2 、N2:300 kg/hm2 、N3:450 kg/hm2 、N4:600 kg/hm2,N-P-K=15-5-25)下番茄生长和氮素养分累积动态变化 N2处理下温室番茄的氮肥农学利用率最高,为N3、N4处理的1.9和2.9倍(P<0.05)。综合考虑番茄生长、产量品质及肥料利用率等指标,本试验条件下,N2施肥水平为供试水肥一体化条件下的适宜肥料用量 韩雪等81
水肥多要素耦合 以灌水量、施N量、施K2O量、施CaO量为试验因子,进行正交旋转组合设计,利用多层次模糊评判方法对表征樱桃番茄生长的4类因素及14类子因素进行综合评判,构建水肥多因子对樱桃番茄综合生长的调控模型 灌水量为补充至灌溉上限用量的91.34%~100%、施N量为12.26~13.50 g/株、施K2O量为2.92~5.13 g/株、施CaO量为2.69~4.39 g/株时,多层次模糊综合评判指数有最优区间,最有利于樱桃番茄的综合生长 张智等82
灌溉决策与专家知识融合 在灌溉决策模型中考虑了作物实时状态,构建了模块化番茄知识图谱,施用路径排序法计算灌溉调整值,对彭曼模型初始值调整,选择专家知识最高分 提出的基于Penman-Monteith(P-M)模型和路径排序算法相结合的方法比传统P-M模型方法和基于视觉经验方法的果实总产量、单株果实均产量、果实均重、果实均重百分比分别提高了5 346.1 g、178.2 g、5.16 g、2.22%和875.2g、29.17 g、9.54 g、4.18% 张宇等83
羊肚菌 营养 通过实地实验,设立小麦占比45%(定义为高浓度)与20%(定义为低浓度)的两种外置营养袋配比,并结合四种不同数量的营养袋配置,系统评估了六妹羊肚菌的农业性状、产出量以及其子实体的营养构成 不同处理下的菌盖长度、直径,以及单个菌菇的重量等农业性状并未展现出明显差异。高浓度组中,随着营养袋数量的增多,产量呈现显著上升趋势,最高纪录达到了每667 m2产量1 028.52 kg;相比之下,低浓度组内的产量差异不显著,最低为每667 m2产量576.10 kg 魏子涵等84

2.3 小结

通过以上分析可见,目前环境调控和营养调控已经逐渐不满足于单一要素的反馈控制,多要素耦合的环境控制、水肥灌溉决策是投入品调控的发展主要趋势之一,以特色农产品种植品种特性和栽培模式为基础,借助实时影像数据采集分析、环境监测数据智能解析85、生长过程作物长势识别、病虫草害识别、多要素需水预测86、农事作业姿态识别87的智能化方法,构建面向全生命周期生产的多要素耦合模型,能够获取更为全面的生产过程品质影响要素,以及之间的关联影响机制,从而保证农产品品质,图6是一种耦合生长状态-环境-投入品的多要素品质分析与反馈架构,能够通过智能化的手段,以品质管控为目标,系统性的分析不同场景下的生长状态、生理特征、农艺特征、生长环境、农业投入品、农事作业等全生育期多种要素影响与反馈机制。
图6 多要素耦合农产品品质调控结构

Fig. 6 Multi-factor coupling agricultural product quality control structure

从技术推广模式层面,番茄设施物联网监测技术、环境调控技术、肥水灌溉技术相比羊肚菌更加成熟,相关技术能够支持番茄从定植至采收的多阶段状态监测,并在产后也能够提供一定程度的外观品质的分析,生产者结合自身实际情况进行配套。随着羊肚菌近年越来越受到消费者欢迎,销售价格较高,种植规模逐渐扩大,但数字化基础较为薄弱,亟需尽快配套数字化生产设施,同时受限于相对阴暗潮湿的生长环境,羊肚菌对外观监测参数要求较高,需要更加可用的数字化解决方案。

3 品质智能管控系统研发与应用

3.1 特色设施农产品品质调控系统架构

特色设施农产品调控的核心技术之一是系统架构,提供着物联网监测数据获取、存储、分析、应用的基本条件支撑,优秀的系统架构能够节约算力、提高服务实时性和稳定性,有效匹配品质调控场景,农业智能系统架构伴随着互联网技术的更新和生产场景的需求快速迭代。吴华瑞等88提出了面向农村社区动态交互的三维虚拟漫游系统架构,基于虚拟建模现实语言进行社区布局、纹理数据和层次化数字模型构建,将树木等实体设置为具有三维坐标的锚点,并通过java程序与系统进行交互,实现了低带宽快速响应,能够为设施环境建模和在线交互提供参考。王亚楠等89针对Web应用高并发过程响应时间长、系统容易发生崩溃问题,从Web应用前端、后台程序代码、数据库、Web中间件配置和服务器负载系统地提出了图片压缩、异步加载、session设置、数据缓存、分表存储、基于网络地址转换(Network Address Translation, NAT)负载均衡等方法,系统响应速度和服务器CPU利用率均得到了可观的提升。钱春阳等90和李扬等91分别基于LoRa、第四代移动通信技术(Fourth Long Term Evolution, 4G-LTE)与模糊控制、铁电存储器(Ferroelectric Random Access Memory, FRAM)与窄带物联网(Narrow Band Internet of Things, NB-IOT)对温室内的环境参数、风机、卷帘等进行管控,涉及了Web端、App端的监测系统,实现了蔬菜设施环境下温度的精细化管控。于景鑫等92设计了基于云原生技术的土壤墒情监测系统架构,通过微服务技术提供灵活的业务服务,并依托空间分析和Web图形库(Web Graphics Library, WebGL)技术实现了可视化,能够承载千万级的数据监测。杨改改和高贤强93针对传统农业数据管理困难问题,基于SpringCloud微服务架构和Hadoop分布式集群,实现了服务之间相互解耦,提供了海量数据存储的条件。杨信廷等94、孙传恒等95和刘双印等96基于区块链技术进行了农产品追溯信息存储、查询和系统的研发,提出了“On-Chain+Off-Chain”信息协同管理策略,解决网络传输中各节点数据存储压力大、查询效率低和数据爆炸的问题,并采用对称加密与椭圆曲线混合加密技术提升数据安全性,保护了授权凭证的隐私。杨锋等97针对传统架构对农业数据资源调用效率不高和存储能力不足的问题,基于Hadoop大文件分块存储方法和海量农业数据资源高效检索方法,为农业智能平台系统提供了高效管理方式。江顺等98以Lambda Architecture大数据技术框架为基础,应用Hadoop分布式文件系统(Hadoop Distributed File System, HDFS)、MapReduce、Storm系列技术,构建了面向现代农业产业园的农业资源数据、生产数据、经营数据和市场信息数据的大数据服务体系。可见,农业智能系统的架构经历着自实时交互服务、云平台在线服务至大数据智能服务的发展进程。算力的爆发式提升、物联网技术的革新和人工智能技术的发展为农业智能服务体系带来了新的发展模式,如何有效利用大量的设施环境监测传感器、管控部件、控制微处理器,合理地分配算力、网络、电能,并让设施农业生产数据产生价值是新一代的系统架构亟待解决的问题。

3.2 基于计算机视觉技术的特色农产品品质调控系统

通过计算机视觉技术能够对设施生产场景进行直观、准确、具体的分析,是智能化生产管理的重要手段之一。其载体主要依托固定的高清视频监控摄像头、智能手机、智能机器人,典型场景包括羊肚菌的菌群监测、菇形监测、环境异常监测、品质外观优选、番茄的叶部病害识别、果实病害识别、虫害识别、成熟度识别、品质分级等。
针对病虫害智能识别场景,Wspanialy和Moussa99使用视觉几何群网络(Visual Geometry Group Network 16, VGG16)作为特征抽取的主干网络改进了U-Net算法,对番茄病斑区域进行分割,通过计算病斑与叶片的面积占比实现了病害的严重程度估计。郑超杰等100针对传统卷积机构复杂、参数庞大问题,提出了可以在移动设备应用的MobileNetv3-Prune轻量化卷积网络,在测试集平均识别准确率达到99.6%,单张图片识别时间为12.13 ms,满足移动设备识别要求。刘拥民等101采用迁移学习优化Swim Transformer模型,通过加入的Mixup混合增强算法将番茄叶部病害识别准确率提升至98.4%,同时模型具有较好的鲁棒性。李淑菲等102针对自然场景下黄瓜病害噪声问题,提出基于可见光谱YOLOv5-SE-DW模型,对霜霉病、白粉病和炭疽病监测精度分别达到78.0%,80.9%和83.6%,能够满足实际种植环境中病害检测要求。符首夫103和王卫民等104基于U-Net模型构造了一种昆虫图像分割的模型Insect-Net,将完整的虫情图像和切割后的虫情图像分别输入模型后,提取两者特征进行融合,将融合后的特征输入1个1×1的卷积层得到最终分割结果,再将得到的结果二值化后,采用轮廓检测算法将昆虫目标与背景分离并计数。陈俭105研究了叶片表面小目标且与背景相似度较高的蚜虫幼虫的识别,采集被蚜虫侵染的小青菜叶片图像,基于U-Net卷积神经网络模型构建了蚜虫分割模型,在测试数据中Dice系数达到0.82。在番茄成熟度识别与目标检测方面,Zu等106针对成熟绿色番茄颜色与相似枝叶容易发生遮挡问题,提出了掩码基于区域的卷积神经网络(Mask Region-based Convolutional Neural Network, Mask-RCNN)算法对成熟绿色番茄进行检测和分割,通过区域建议网络确定预选框,选用ResNet50FPN作为骨干网络,采用感兴趣区域对齐(Region of Interest Align, ROIAlign)双线性插值计算目标区域,F 1值达到92.0%,实现成熟绿熟番茄的准确分割。Chen等107提出了多任务深度(Multi-Task Deep, MTD) YOLOv7模型,对数据进行多标签分类,在YOLOv7模型基础上额外增加了两个加码器检测番茄果簇、果实成熟度和果串成熟度,总体识别精度达到86.6%,推理时间4.9 ms,能够适应采收过程的果品检测。Li等108设计了AHPPBot(Autonomous Robot for Tomato Harvesting based on Phenotyping and Pose Estimation)新型机器人,根据农作物表型和姿态估计进行自主收获,通过多任务YOLOv5和基于检测自适应的基于密度的聚类算法(Density-Based Spatial Clustering of Applications with Noise, DBScan)结合完成姿态估计,能够实现连续作业。杨信廷等109面向绿熟番茄采后持续转熟特征,适时进行温度调控的品质保障关键需求,提出基于Swin Transformer与改进门控循环单元(Gate Recurrent Unit, GRU)的番茄成熟度识别与时序动态预测模型,成熟度正确识别率为95.783%,为番茄成熟度贮藏温度柔性调控提供基础。综上,应用计算机视觉技术能够在番茄生长过程及时发现病虫害,避免番茄在生长阶段受到影响,在采收和贮藏环节,通过颜色、果形等外观的智能识别,可以有效保证采收果实质量和贮存产品的商品性。
相比番茄各阶段较为成熟的产业应用,羊肚菌在视觉模式识别方面较为匮乏,主要原因是羊肚菌生长在较为阴冷的环境,暖棚种植关键识别要素在菌丝形成阶段,专家通常采用高像素手机定点拍摄的方式,需要调整焦距、放大倍数才能得到可用于决策的图像,因此,为了更好地监测羊肚菌不同阶段的生长状态,需要高像素、高清晰度视频监控摄像头进行数据采集。

3.3 基于知识驱动的特色农产品品质调控系统

基于知识驱动的品质调控是近年发展的新趋势,随着知识图谱110、多模态数据分析111、大模型112快速发展和迭代,互联网的各类数据、行业专家知识、科技文献、农业技术多媒体影音、种质、栽培、气象、环境、水文等数据资源得到充分的应用。面向特色农产品品质调控,新一代人工智能技术不仅能够对大尺度的环境、农情信息进行监测解析,同时能够对小尺度的水肥灌溉决策、病害成因分析等进行更加全面的分析,此外,知识智能服务作为一种面向全场景、多用户极简的服务模式能够让生产人员实现即时访达资源、快速得到专业的反馈。
林森等113将知识图谱和机器视觉技术融合应用在设施草莓种植,建立了一套基于知识推理和视觉信息识别的设施智能管控决策方法,并部署在云托管服务系统,实现了基于知识图谱的环境、水肥、数据分析管控托管。张宇等114为提高获取番茄种植管理知识的速度与准确率,提出了以图结构描述番茄在不同环境的种植管理,采用Neo4j图形数据库和PyQt框架构建可视化应用,其方法平均响应时间和准确率较Cypher有显著提升,能够为番茄生产管理提供较高质量种植建议。河北农业大学智慧农业研究团队115-117针对蔬菜病害构建了病害类型、作物名称、病害特征、微生物、发病因素等实体关系类型,进行了模式层构建、实体识别,并结合知识推理、词嵌入向量化技术对病害进行解析,取得了较好效果。饶海笛118提出了一种融合图像语义的作物病虫害多模态图谱构建方法,通过融合人工蜂群和增强决策树算法实现输入特征的筛选和优化,能够为问答知识库构建提供基础。赵春江119面向设施环境提出了动态数据采集、实时数据处理驱动知识整合、多因素耦合资源池聚合至知识模型,通过模型进行水肥决策、营养诊断、病害诊断的模式。Lyu等120提出了一种利用预训练语言模型知识提取方法,采用双流结构进行文本图像协同表示,融合图像和文本信息,通过跨模态细粒度的对比学习方法解决模态件语义关联不足问题,并面向用户提供可视化交互界面,图文匹配准确率为76.7%,为多模态农业知识问答、推荐等通过理论依据。
随着农业自动化技术、农业智能装备技术的高速发展,服务设施的智能装备、智能机器人层出不穷,面向特色羊肚菌和番茄生产场景,科研生产人员开展了表型智能监测设备、自动化植保装备、智能采收车、番茄智能采摘机器人,以及智能系统架构研究和应用。数字技术和农业生产技术的融合逐渐衍生出装备-农艺-信息融合模式,图、视、音、文数据被赋予高维度的智能要素,逐渐在精准作业、病虫草害解析、关键生育期长势分析、采收品质检测等发挥作用。面向设施特色农产品品质调控需求,首先,针对多要素环境监测,算力、网络传输资源优化,多种环境、多种调控模式应用需求,提出多场景多要素品质调控云边端一体化系统架构;接着,针对品质调控过程基础数据采集环节分别分析基于物联网技术的特色农产品品质调控系统、基于计算机视觉技术的特色农产品品质调控系统和基于知识驱动的特色农产品品质调控系统;最后,结合羊肚菌、特色番茄两类设施生产特色农产品,介绍一种实用做法,为业务管理人员、系统开发人员和用户提供支撑。
根据特色农产品种植品种特征、生长环境特征以及品质控制目标,结合全生命周期监测设备的数据类型,构建能够实时处理全流程、全周期农业云-边-端数据架构。主要分为终端感知层、数据存储层、边缘计算层、数据传输层和业务应用层,如图7所示。
图7 特色农产品设施环境云边端一体化系统架构

Fig. 7 Characteristic agricultural product facility environment cloud side integrated system architecture

3.4 小结

特色设施农产品品控是贯穿全生命周期的涵盖品种特性、栽培模式、种植管理、产后质量检测等多个环节,是一项复杂的系统工程,以设施多要素环境管控是整体品质控制内容最为重要的环节之一,但农业生产人员对不同环节的认知、同区域同类型的生产数据参照,以及适时的、精确的、相匹配的知识服务同样重要,否则管控本身参数、阈值的人为设定会导致品质管控失败。因此,构建品种、设施环境、投入品管理、农业机械装备、加工参数等知识库,对关键环节的生产要素、数据要素智能分析和相关关系、因果关系的决策推理是极亟待解决的问题。知识图谱技术、多模态数据分析技术,以及大模型技术是较为有效的解决方案之一。目前本团队的做法主要两个方面。如图8a图8b所示,第一个方面是多模态知识图谱的应用,主要针对农事生产过程相关数据的因果关系、关联关系,对于特定专业知识进行知识推理结构构建,具体应用图-文多模态数据语义对齐、命名实体识别、实体关系抽取等技术,并部署在服务器端提供Web图数据库调用与展示,可进行特色设施农产品的图文农业信息的检索、实体关系可视化、实体关系标注等;如图8c图8d所示,第二个方面是将知识图谱的结构作为大模型提示词专业化匹配,针对更加广泛的在线技术服务场景,由于大模型训练与预测的数据分布容易产生幻觉,海量知识锚定具体的场景服务难度较大,生产种植人员往往习惯自己的表达方式,难以正确地匹配计算机能够高效处理的语言,因此需要融合知识图谱技术对大模型进行提示词辅助,提升大模型应用效率,以图文问答和多轮问答的方式提供全天候农业知识交互服务。
图8 基于多模态知识图谱和大模型特色农产品全生育期农业知识服务体系

Fig. 8 Agricultural knowledge service system based on multi-modal knowledge map and large model of characteristic agricultural products during the whole growth period

4 特色农产品品质调控发展趋势

从特色设施羊肚菌和设施番茄的全生育期、多要素、多场景的品控现状来看,特色番茄整体的智能化管控、智能化决策和智能化应用相比羊肚菌更为成熟,在设施环境数据采集、作物生理数据采集、生产现场影像与生长数据分析、全生育期肥水灌溉与环境管控决策,以及产后的智能化分级技术体系完备,巡检机器人、植保机器人、采摘机器人等新型智能装备服务体系逐步成熟,能够较为稳定地进行工厂化生产。特色羊肚菌由于产业发展时期相对较短、种植区域设施基础条件较差,智能化生产尚处于初级阶段,作业装备、生长模型、管控模型,以及产品分级体系需要针对品种、生产目标进一步研究,因此在特色农产品品质智能调控思路和做法中可以看出:第一,通过综合地分析、调研,明确了通用的系统架构,自数据采集至数据传输存储共享到场景化应用,能够提供足够的架构支撑;第二,将番茄的影像监测、环境数据采集体系迁移至羊肚菌生产中,充分使用技术的通用性,针对羊肚菌的个性化需求通过装备、农艺、信息融合的方式进行适配;第三,将特色农产品品种、生产模型、农业技术知识、品质决定因子等通过知识图谱的形式进行有效组织,形成智能知识服务范式,并在多周期生产过程进行迭代,能够有效地将现有的数据、模式、技术迁移到广大的中西部农产品智能化生产中。
着眼未来,面向中西部特色羊肚菌、番茄、柑橘、绿茶、油菜等为代表的多品类多品种的情况,通过数字化生产与智能化品质控制赋能产业有以下趋势。

4.1 设备设施轻简化,数据采集简单化

针对中国中西部农业生产现状,机械装备需要做到高精度、高性能的同时,还要做到成本低廉、质量可靠、简单易用,以迎合广大农户生产和生活的现状,否则,数字化品质的智能调控将难以实现。以设施生产环境内的管控设备、水肥灌溉设备为例,其设备组装、软硬件集成、人机交互,都要做到尽可能的轻简,以便中西部中老年种植、养殖的主力人员能够顺利使用。设施调控的基础是空气环境、农作物表型、土壤等数据的采集,在数据内容上,需要结合生产、加工、消费者全产业链品质控制的需求,定好采集数据项,在方式上,数据采集尽量做到采集方式自动化、简单化,管控模型需要与装备农艺进行深度融合,充分发挥多要素的耦合监测模式的优点,以保障特色农产品品质生产过程控制,服务对象方面要做到多元化,不同类型人员可以获取不同维度的数据,方能为产业数字化、数字产业化的可持续发展模式提供设备和数据的基础支撑。

4.2 智能技术场景化,服务模式多样化

新一代人工智能技术冲击着农业生产模式,数字化技术与生产场景贴合度更加高,在设施环境调控逐渐由传统基础的环境参数监测、指令反馈和逻辑单一的决策控制转变为更多计算参数、鲁棒性更好的智能模型和更轻便的智能装备,伴随着物联网服务、云平台服务、人机交互服务技术的迭代,植物的茎秆、叶片、果实的精细化监测成为可能,基于计算机视觉的病害、虫害、草害的智能识别成为可能,精准水肥灌溉、植保机器人、采摘机器人、嫁接机器人、巡检机器人层出不穷,不仅丰富了智能化生产场景和模式,同时能够充分地降低生产人员劳动强度、设施生产管理人员效能,在部分场景下,如基于光谱的蔬菜、果品内部缺陷检测,高温环境下的自动消毒,通过人体关键点结合摄像头自动记录农事作业,能够处理生产人员无法直接观测和可能对人体有害的作业步骤,服务模式的多样化将为设施特色农作物全产业链智能化品质控制提供高效手段。

4.3 品质管控在线化,数智生产规模化

特色农产品品质管控将由传统的采收加工环节为主转变为模型-作物-信息融合的全生育期的过程在线化管理的新模式,通过设施环境下的全过程智能管控,从土壤管理至定植,田间管理至采收,环境数据、作物生理数据、表型数据、农事生产数据、投入品数据、机械及智能装备作业数据、设施及水肥药投入过程装备状态和管控数据均实现了在线化,海量的数据资源通过融合专家经验、作物品种特性、环境互作机制,结合多年来的生产验证,衍生出面向外观、口感高价值的在线精细化品质管控模型参数。在单链条数据的基础上,从垂直链条面向多设施、跨园区甚至跨地域,会形成数值生产规模化效应,比如以千栋设施番茄生产为例,基于监测参数在同一时期的化肥投入类型、投入量以及后续的投入时间和量将为区域化肥生产提供决策依据,其他品种和环节亦然,播种期决定着种苗投入的续期,采收期决定着存储和物流的需求,管理的规模越大,其集群效益越明显,数智规模化生产将为全局提供资源配置优化和产业结构完善的重要抓手。

4.4 多元要素融合化,数据要素价值化

在设施特色农产品数字化生产的过程中,涉及到农业机械装备、作物栽培农艺和以传感器为主的监测信息,积累的生产数据、环境数据、农业技术数据、农业投入品数据、匹配生产场景的智能模型虽然有用,但很难有更加高维度的语义信息,通过多学科专家会商把脉,与一线生产人员、种植大户深度沟通,有效地将“农机”“农艺”“信息”三大要素面向生产目标的高价值进行组织,面向生产过程的精细化进行融合,形成新一代农业的“生产要素”,通过数字资产认证、碳足迹记录与量化、海量关联数据价值评估,让种植人员的资产价值不仅在“田”间,同时在“云”端,设施智能化品控的多要素融合与数据要素的有效组织将成为发挥设施生产新质生产力价值的重要资源。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
李天来, 齐明芳, 孟思达. 中国设施园艺发展60年成就与展望[J]. 园艺学报, 2022, 49(10): 2119-2130.

LI T L, QI M F, MENG S D. Sixty years of facility horticulture development in China: Achievements and prospects[J]. Acta horticulturae sinica, 2022, 49(10): 2119-2130.

2
赵春江. 智慧农业发展现状及战略目标研究[J]. 智慧农业(中英文), 2019, 1(1): 1-7.

ZHAO C J. State-of-the-art and recommended developmental strategic objectivs of smart agriculture[J]. Smart agriculture, 2019, 1(1): 1-7.

3
樊胜根, 龙文进, 孟婷. 加快形成农业新质生产力引领农业强国建设[J/OL]. 中国农业大学学报(社会科学版), 1-15. [2024-11-19].

FAN S G, LONG W J, MENG T. Accelerating new quality agricultural productive forces to build up China's strength in agriculture[J/OL]. Journal of China agicultural university(social sciences), 1-15. [2024-11-19].

4
LI Y, LIU P, LI B.Water and fertilizer integration intelligent control system of tomato based on internet of things[C]// Cloud Computing and Security, 4th International Conference, ICCCS 2018. Cham, Germany: Springer, 2018: 209-220.

5
SĂCĂLEANU D I, MATACHE M G, ROȘU Ș G, et al. IoT-enhanced decision support system for real-time greenhouse microclimate monitoring and control[J]. Technologies, 2024, 12(11): ID 230.

6
DOOYUM UYEH D, AKINSOJI A, ASEM-HIABLIE S, et al. An online machine learning-based sensors clustering system for efficient and cost-effective environmental monitoring in controlled environment agriculture[J]. Computers and electronics in agriculture, 2022, 199: ID 107139.

7
TASHAKKORI R, HAMZA A S, CRAWFORD M B. Beemon: An IoT-based beehive monitoring system[J]. Computers and electronics in agriculture, 2021, 190: ID 106427.

8
WOLFERT S, GE L, VERDOUW C, et al. Big data in smart farming: A review[J]. Agricultural systems, 2017, 153: 69-80.

9
AMIRI-ZARANDI M, DARA R A, DUNCAN E, et al. Big data privacy in smart farming: A review[J]. Sustainability, 2022, 14(15): ID 9120.

10
YANG F, LIU Z Q, WANG Y X, et al. A variety test platform for the standardization and data quality improvement of crop variety tests[J]. Frontiers in plant science, 2023, 14: ID 1077196.

11
LIU K N, YU J R, HUANG Z W, et al. Autonomous navigation system for greenhouse tomato picking robots based on laser SLAM[J]. Alexandria engineering journal, 2024, 100: 208-219.

12
HU W Y, HONG W, WANG H K, et al. A study on tomato disease and pest detection method[J]. Applied sciences, 2023, 13(18): ID 10063.

13
LIU J, WANG X W, ZHU Q Y, et al. Tomato brown rot disease detection using improved YOLOv5 with attention mechanism[J]. Frontiers in plant science, 2023, 14: ID 1289464.

14
NAWAZ M, NAZIR T, JAVED A, et al. A robust deep learning approach for tomato plant leaf disease localization and classification[J]. Scientific reports, 2022, 12(1): ID 18568.

15
ZU L L, HAN M Z, LIU J Q, et al. Design and experiment of nondestructive post-harvest device for tomatoes[J]. Agriculture, 2022, 12(8): ID 1233.

16
KHAN A, HASSAN T, SHAFAY M, et al. Tomato maturity recognition with convolutional transformers[J]. Scientific reports, 2023, 13(1): ID 22885.

17
FEI Z J, JOUNG J G, TANG X M, et al. Tomato functional genomics database: A comprehensive resource and analysis package for tomato functional genomics[J]. Nucleic acids research, 2011, 39(): D1156-D1163.

18
SURESH B V, ROY R, SAHU K, et al. Tomato genomic resources database: An integrated repository of useful tomato genomic information for basic and applied research[J]. PLoS one, 2014, 9(1): ID e86387.

19
KIM H, KIM B S, SHIM J E, et al. TomatoNet: A genome-wide co-functional network for unveiling complex traits of tomato, a model crop for fleshy fruits[J]. Molecular plant, 2017, 10(4): 652-655.

20
ZHANG N, WU H R, ZHU H J, et al. Tomato disease classification and identification method based on multimodal fusion deep learning[J]. Agriculture, 2022, 12(12): ID 2014.

21
FUKADA K, HARA K, CAI J Y, et al. An automatic tomato growth analysis system using YOLO transfer learning[J]. Applied sciences, 2023, 13(12): ID 6880.

22
GUO X D, SUN Y, YANG H. FF-net: Feature-fusion-based network for semantic segmentation of 3D plant point cloud[J]. Plants, 2023, 12(9): ID 1867.

23
GAO J, ZHANG J X, ZHANG F, et al. LACTA: A lightweight and accurate algorithm for cherry tomato detection in unstructured environments[J]. Expert systems with applications, 2024, 238: ID 122073.

24
LI R Z, JI Z J, HU S K, et al. Tomato maturity recognition model based on improved YOLOv5 in greenhouse[J]. Agronomy, 2023, 13(2): ID 603.

25
TZACHOR A, DEVARE M, RICHARDS C, et al. Large language models and agricultural extension services[J]. Nature food, 2023, 4: 941-948.

26
MENG X X, LI J, SU X L, et al. Large-scale ontology development and agricultural application based on knowledge domain framework[J]. Journal of integrative agriculture, 2012, 11(5): 808-822.

27
OPENAI, ACHIAM J, ADLER S, et al. GPT-4 technicalreport[EB/OL]. arXiv: 2303.08774v6, 2024.

28
BALDUCCI F, IMPEDOVO D, PIRLO G. Machine learning applications on agricultural datasets for smart farm enhancement[J]. Machines, 2018, 6(3): ID 38.

29
宋玉琴, 姬引飞, 朱紫娟. 基于CC2530和CC2592集群温室环境监测系统的设计[J]. 现代电子技术, 2015, 38(22): 69-72.

SONG Y Q, JI Y F, ZHU Z J. Design of CC2530 and CC2592 based environmental monitoring system for gather greenhouses[J]. Modern electronics technique, 2015, 38(22): 69-72.

30
李亚迪, 苗腾, 朱超, 等. 北方日光温室智能监控系统的设计与实现[J]. 中国农业科技导报, 2016, 18(5): 94-101.

LI Y D, MIAO T, ZHU C, et al. The design and implementation of intelligent monitoring system for solar greenhouse in Northern China[J]. Journal of agricultural science and technology, 2016, 18(5): 94-101.

31
尚志跃, 曾成, 张馨, 等. 基于商业云平台植物工厂环境监测系统的研究与实现[J]. 农机化研究, 2017, 39(9): 7-13, 30.

SHANG Z Y, ZENG C, ZHANG X, et al. Research and implementation of plant environmental monitoring system based on commercial cloud platform[J]. Journal of agricultural mechanization research, 2017, 39(9): 7-13, 30.

32
曹帅, 钱谦, 张娅玲, 等. 基于LoRa的智慧农田土壤环境监测系统研究[J]. 农业装备与车辆工程, 2024, 62(1): 18-22.

CAO S, QIAN Q, ZHANG Y L, et al. Research on LoRa-based smart farmland soil environment monitoring system[J]. Agricultural equipment & vehicle engineering, 2024, 62(1): 18-22.

33
QIN X Y, WU G P, LEI J, et al. Detecting inspection objects of power line from cable inspection robot LiDAR data[J]. Sensors, 2018, 18(4): ID 1284.

34
杨代强. 矿用智能轮式巡检机器人路径跟踪及运动分析[J]. 煤矿机械, 2020, 41(2): 96-98.

YANG D Q. Path tracking and motion analysis of mining intelligent wheel inspection robot[J]. Coal mine machinery, 2020, 41(2): 96-98.

35
龙卓群, 雷日兴. 履带式行走机器人避障自动控制系统设计[J]. 自动化与仪器仪表, 2018(8): 68-70.

LONG Z Q, LEI R X. Design of automatic obstacle avoidance control system for tracked walking robot[J]. Automation & instrumentation, 2018(8): 68-70.

36
王建平, 杨宗晔. 温室兰花生长状态监测移动视觉机器人的研究[J]. 中国农机化学报, 2016, 37(10): 185-194, 253.

WANG J P, YANG Z Y. Research of mobile visual robot for orchid growth state monitoring in greenhouse[J]. Journal of Chinese agricultural mechanization, 2016, 37(10): 185-194, 253.

37
ROLDÁN J J, GARCIA-AUNON P, GARZÓN M, et al. Heterogeneous multi-robot system for mapping environmental variables of greenhouses[J]. Sensors, 2016, 16(7): ID 1018.

38
BAI G, GE Y F, SCOBY D, et al. NU-Spidercam: A large-scale, cable-driven, integrated sensing and robotic system for advanced phenotyping, remote sensing, and agronomic research[J]. Computers and electronics in agriculture, 2019, 160: 71-81.

39
赵春江, 吴华瑞, 刘强, 等. 基于Voronoi的无线传感器网络覆盖控制优化策略[J]. 通信学报, 2013, 34(9): 115-122.

ZHAO C J, WU H R, LIU Q, et al. Optimization strategy on coverage control in wireless sensor network based on Voronoi[J]. Journal on communications, 2013, 34(9): 115-122.

40
AKKAŞ M A, SOKULLU R. An IoT-based greenhouse monitoring system with Micaz motes[J]. Procedia computer science, 2017, 113: 603-608.

41
赵轩, 纪文刚, 卓思超. 基于GPRS网络的温室大棚远程监控系统设计[J]. 工业仪表与自动化装置, 2017(1): 98-101, 122.

ZHAO X, JI W G, ZHUO S C. Design of remote monitoring system of greenhouse based on GPRS[J]. Industrial instrumentation & automation, 2017(1): 98-101, 122.

42
潘鹤立, 景林, 钟凤林, 等. 基于ZigBee和3G/4G技术的分布式果园远程环境监控系统的设计[J]. 福建农林大学学报(自然科学版), 2014, 43(6): 661-667.

PAN H L, JING L, ZHONG F L, et al. Design of remote environmental monitoring and control system for distributed orchard based on the technologies of ZigBee and 3G/4G[J]. Journal of Fujian agriculture and forestry university (natural science edition), 2014, 43(6): 661-667.

43
陈栋. 多源异构农业感知数据接入系统的设计与实现[D]. 泰安: 山东农业大学, 2014.

CHEN D. Design and implementation of multi-source and heteogeneous agricultural sensor data access system[D]. Tai'an: Shandong Agricultural University, 2014.

44
赵瑞华, 赵妍, 贺晓龙. 羊肚菌菌核形成影响因素与分子机制研究进展[J]. 食用菌学报, 2024, 31(5): 104-112.

ZHAO R H, ZHAO Y, HE X L. Advances in influencing factors and molecular mechanisms of sclerotium formation in morchella spp[J]. Acta edulis fungi, 2024, 31(5): 104-112.

45
朱继荣, 王成莹, 耿丽, 等. 羊肚菌菌核生物发生及其影响因素研究进展[J]. 食药用菌, 2024, 32(3): 149-156.

ZHU J R, WANG C Y, GENG L, et al. Research progress on the biogenesis and influencing factors of sclerotium in Morchella[J]. Edible and medicinal mushrooms, 2024, 32(3): 149-156.

46
MORALES-GARCÍA J, BUENO-CRESPO A, MARTÍN EZ-ESPAÑA R, et al. Evaluation of low-power devices for smart greenhouse development[J]. The journal of supercomputing, 2023, 79: 10277-10299

47
LOUKATOS D, LYGKOURA K A, MARAVEAS C, et al. Enriching IoT modules with edge AI functionality to detect water misuse events in a decentralized manner[J]. Sensors, 2022, 22(13): ID 4874.

48
韦玉翡, 赵建贵, 高安琪, 等. 温室环境参数模糊专家控制系统的设计[J]. 江苏农业科学, 2021, 49(6): 183-188.

WEI Y F, ZHAO J G, GAO A Q, et al. Design of fuzzy expert control system for greenhouse environmental parameters[J]. Jiangsu agricultural sciences, 2021, 49(6): 183-188.

49
王梦阳, 李亚敏, 曾立华. 大田卷盘拖管水溶肥平移灌溉控制系统的设计[J]. 农机化研究, 2018, 40(1): 80-84.

WANG M Y, LI Y M, ZENG L H. Design of the control system of water soluble fertilizer in the field coil[J]. Journal of agricultural mechanization research, 2018, 40(1): 80-84.

50
SENGUPTA A, MUKHERJEE A, DAS A, et al. Growfruit: An IoT-based radial growth rate monitoring device for fruit[J]. IEEE consumer electronics magazine, 2022, 11(3): 38-43.

51
李志鑫, 王一鸣, 魏嵘喆, 等. 不同色温LED补光对温室番茄幼苗质量的影响[J]. 山东农业科学, 2024, 56(8): 80-86.

LI Z X, WANG Y M, WEI R Z, et al. Effects of supplementary LED light with different color temperature on quality of greenhouse tomato seedlings[J]. Shandong agricultural sciences, 2024, 56(8): 80-86.

52
章子文, 梁思程, 张洪奇, 等. 设施温室物联网智能测控系统研究[J]. 山东农业大学学报(自然科学版), 2024, 55(4): 633-643.

ZHANG Z W, LIANG S C, ZHANG H Q, et al. Research on intelligent measurement and control system of greenhouse Internet of Things[J]. Journal of Shandong agricultural university (natural science edition), 2024, 55(4): 633-643.

53
吴清丽, 高攀, 高茂盛. 多智能算法融合的苗期番茄最佳温度决策方法[J]. 西北农业学报, 2024, 33(9): 1795-1805.

WU Q L, GAO P, GAO M S. A decision-making method for optimal temperature of tomato seedling based on multi-intelligent algorithms[J]. Acta agriculturae boreali-occidentalis sinica, 2024, 33(9): 1795-1805.

54
李新澳, 刘元义, 王丽娟, 等. 设施农业臭氧杀菌闭环控制系统设计与试验[J]. 中国农机化学报, 2024, 45(9): 62-68.

LI X A, LIU Y Y, WANG L J, et al. Design and experiment of closed-loop control system for ozone sterilization in facility agriculture[J]. Journal of Chinese agricultural mechanization, 2024, 45(9): 62-68.

55
전숙례, 이진흥, , 등. 김성억 기상 및 환경 센서 데이터 기반 생육 환경 최적화 연구[J]. 센서학회지, 2024, 33(4): 230-236.

JEON S L, LEE J, KIM S E, et al. Optimization of growth environments based on meteorological and environmental sensor data[J]. Journal of sensor science and technology, 2024, 33(4): 230-236.

56
ZHANG W, ZHONG W Y, LIU Z D, et al. Precision regulation and forecasting of greenhouse tomato growth conditions using an improved GA-BP model[J]. Sustainability, 2024, 16(10): ID 4161.

57
LIN Y S, FANG S L, KANG L, et al. Combining recurrent neural network and sigmoid growth models for short-term temperature forecasting and tomato growth prediction in a plastic greenhouse[J]. Horticulturae, 2024, 10(3): ID 230.

58
RAHMAN M S, GUO H Q, HAN J J. Dehumidification requirement modelling and control strategy for greenhouses in cold regions[J]. Computers and electronics in agriculture, 2021, 187: ID 106264.

59
CHOI S H, WOO Y H, JANG D C, et al. Model-based calculations of ventilation rate, carbon dioxide (CO2) absorption rate by plants, and amounts of ventilated and supplied CO2 for tomato hydroponic greenhouse during a winter season[J]. Horticultural science and technology, 2023, 41(4): 379-389.

60
MOON T, SON J E. Knowledge transfer for adapting pre-trained deep neural models to predict different greenhouse environments based on a low quantity of data[J]. Computers and electronics in agriculture, 2021, 185: ID 106136.

61
谭昊, 苗人云, 刘天海, 等. 成都平原地区梯棱羊肚菌人工栽培生态环境参数范围及变化规律[J]. 西南农业学报, 2021, 34(1): 27-39.

TAN H, MIAO R Y, LIU T H, et al. Ranges and dynamics of environmental factors for morchella importuna cultivation in Chengdu Plain area[J]. Southwest China journal of agricultural sciences, 2021, 34(1): 27-39.

62
李仔密, 马渊浩, 刘萍, 等. 不同颜色地膜对羊肚菌生长发育的影响[J]. 食用菌学报, 2023, 30(3): 19-29.

LI Z M, MA Y H, LIU P, et al. Effects of colored plastic mulches on growth and development of morchella[J]. Acta edulis fungi, 2023, 30(3): 19-29.

63
白静, 陈明杰, 唐利华, 等. 温度对梯棱羊肚菌抗氧化酶活及其基因表达的影响[J]. 菌物学报, 2021, 40(12): 3276-3285.

BAI J, CHEN M J, TANG L H, et al. Effects of temperature on antioxidant enzyme activities and gene expression in morchella importuna[J]. Mycosystema, 2021, 40(12): 3276-3285.

64
HUANG S G, LIU Q Y, WU Y, et al. Edible mushroom greenhouse environment prediction model based on attention CNN-LSTM[J]. Agronomy, 2024, 14(3): ID 473.

65
胡瑾. 基于作物光合需求的设施光环境调控方法与技术研究[D]. 杨凌: 西北农林科技大学, 2016.

HU J. Research on method and technology of light environment control of facility based on crop photosynthetic demand[D]. Yangling: Northwest A & F University, 2016.

66
黄曼绮, 王旭. 基于TRIZ的温室大棚机器人监测系统设计[J]. 实验室研究与探索, 2023, 42(5): 88-91, 148.

HUANG M Q, WANG X. Design of monitoring system for greenhouse robot based on TRIZ[J]. Research and exploration in laboratory, 2023, 42(5): 88-91, 148.

67
郭威, 吴华瑞, 朱华吉. 设施温室影像采集与环境监测机器人系统设计及应用[J]. 智慧农业(中英文), 2020, 2(3): 48-60.

GUO W, WU H R, ZHU H J. Design and application of facility greenhouse image collecting and environmental data monitoring robot system[J]. Smart agriculture, 2020, 2(3): 48-60.

68
程雅雯, 康睿, 任妮, 等. 基于改进YOLOv7的设施番茄苗期株高检测方法研究[J]. 中国农业信息, 2024, 36(2): 1-16.

CHENG Y W, KANG R, REN N, et al. An improved YOLOv7-based height detection method for seedling tomato in greenhouse[J]. China agricultural informatics, 2024, 36(2): 1-16.

69
FAN X X, LU N, XU W S, et al. Response of flavor substances in tomato fruit to light spectrum and daily light integral[J]. Plants, 2023, 12(15): ID 2832.

70
孙亚楠, 段琳博, 钟华昱, 等. 温室气体排放与番茄产量对水肥气耦合的响应机制研究[J]. 农业机械学报, 2024, 55(5): 312-322.

SUN Y N, DUAN L B, ZHONG H Y, et al. Response mechanism of soil greenhouse gas emission and yield of greenhouse tomato to water-fertilizer-air coupling[J]. Transactions of the Chinese society for agricultural machinery, 2024, 55(5): 312-322.

71
杨洁, 左太强, 顾鲁同, 等. 环境因子对金耳和羊肚菌生长的调控解析[J]. 蔬菜, 2023(10): 53-56.

YANG J, ZUO T Q, GU L T, et al. Effects of environmental factors on growth of tremella aurantialba and morchella esculenta[J]. Vegetables, 2023(10): 53-56.

72
边银丙. 浅析羊肚菌稳产高产相关的科学技术问题[J]. 食用菌学报, 2024, 31(1): 31-37.

BIAN Y B. A brief analysis of scientific and technical problems related to stable and high yield of morels[J]. Acta edulis fungi, 2024, 31(1): 31-37.

73
贺国强, 魏金康, 刘奇正, 等. 羊肚菌产业发展情况及展望[J]. 蔬菜, 2021(4): 27-32.

HE G Q, WEI J K, LIU Q Z, et al. Development and prospect of morehella esculenta industry[J]. Vegetables, 2021(4): 27-32.

74
伏俊伟. 日光温室羊肚菌高压雾化及环境监测系统研究[D]. 阿拉尔: 塔里木大学, 2024.

FU J W. Research on high-pressure atomization and environmental monitoring system for Morchella in solar greenhouse[D]. Alaer: Tarim University, 2024.

75
卢营蓬, 王春霞, 易文裕, 等. 羊肚菌分段式变温热风干燥试验研究[J]. 中国农机化学报, 2020, 41(4): 111-116.

LU Y P, WANG C X, YI W Y, et al. Experimental study on hot-air drying of Morchella under stages-varying temperatures process[J]. Journal of Chinese agricultural mechanization, 2020, 41(4): 111-116.

76
赵文举, 曹伟, 吴克倩, 等. 盐碱地水肥耦合对基质栽培番茄生长与产量品质的影响[J]. 排灌机械工程学报, 2024, 42(6): 619-626.

ZHAO W J, CAO W, WU K Q, et al. Effects of water and fertilizer coupling on growth, yield and quality of tomato in saline-alkali soil[J]. Journal of drainage and irrigation machinery engineering, 2024, 42(6): 619-626.

77
YU X Y, LUO Y Z, BAI B, et al. Prediction model of nitrogen, phosphorus, and potassium fertilizer application rate for greenhouse tomatoes under different soil fertility conditions[J]. Agronomy, 2024, 14(6): ID 1165.

78
YU X M, ZHANG J W, ZHANG Y H, et al. Identification of optimal irrigation and fertilizer rates to balance yield, water and fertilizer productivity, and fruit quality in greenhouse tomatoes using TOPSIS[J]. Scientia horticulturae, 2023, 311: ID 111829.

79
刘天翔, 郭文忠, 韩晓蓓, 等. 基于称量反馈的设施番茄灌溉系统的构建与应用[J]. 农业工程学报, 2024, 40(13): 85-96.

LIU T X, GUO W Z, HAN X B, et al. Construction and application of a weighing feedback-based irrigation system for facility tomatoes[J]. Transactions of the Chinese society of agricultural engineering, 2024, 40(13): 85-96.

80
孙一鑫, 马乐乐, 苗丽丽, 等. 基于光辐射时滞效应的温室番茄蒸腾量模型的构建[J]. 西北农林科技大学学报(自然科学版), 2023, 51(2): 83-92.

SUN Y X, MA L L, MIAO L L, et al. Construction of greenhouse tomato transpiration model based on light radiation time-lag effect[J]. Journal of northwest A & F university (natural science edition), 2023, 51(2): 83-92.

81
韩雪, 曲梅, 李银坤, 等. 不同施肥水平对温室番茄生长、氮吸收及产量品质的影响[J]. 中国土壤与肥料, 2021(2): 162-169.

HAN X, QU M, LI Y K, et al. Effects of different fertilization levels on tomato growth, nitrogen uptake, yield and quality in greenhouse[J]. Soil and fertilizer sciences in China, 2021(2): 162-169.

82
张智, 和志豪, 洪婷婷, 等. 基于多层次模糊评判的樱桃番茄综合生长水肥耦合调控[J]. 农业机械学报, 2019, 50(12): 278-287.

ZHANG Z, HE Z H, HONG T T, et al. Coupling regulation of water and fertilizer factors for comprehensive growth of cherry tomatoes based on multi-level fuzzy comprehensive evaluation[J]. Transactions of the Chinese society for agricultural machinery, 2019, 50(12): 278-287.

83
张宇, 郭文忠, 林森. 基于Penman-Monteith模型和PRA算法的番茄灌溉研究[J/OL]. 吉林农业大学学报, 2022. (2022-04-29)[2024-10-20].

ZHANG Y, GUO W Z, LIN S.Tomato irrigation based on Penman-Monteith model and PRA algorithm[J/OL]. Journal of Jilin agricultural university, 2022. (2022-04-29)[2024-10-20].

84
魏子涵, 魏军, 孔繁建, 等. 不同外源营养袋配方和放置数量对六妹羊肚菌营养品质的影响[J]. 菌物学报, 2024, 43(11): 134-145.

WEI Z H, WEI J, KONG F J, et al. Effects of different formulation and consumption of bagged exogenous nutrient on the nutritional properties of morchella sextelata[J]. Mycosystema, 2024, 43(11): 134-145.

85
黄天艺, 吴华瑞, 朱华吉. 基于多模态数据驱动的黄瓜温室湿度预测方法[J]. 电子测量技术, 2023, 46(16): 97-104.

HUANG T Y, WU H R, ZHU H J. Research on humidity prediction method of cucumber greenhouse based on multi-mode data driving[J]. Electronic measurement technology, 2023, 46(16): 97-104.

86
李珊珊, 赵春江, 吴华瑞, 等. 基于CNN-BiLSTM融合神经网络的温室甘蓝潜在蒸散量预测[J/OL]. 吉林农业大学学报, 2021. (2021-11-16)[2024-10-22].

LI S S, ZHAO C J, WU H R, et al.Prediction of potential evapotranspiration of greenhouse cabbage based on CNN-BiLSTM fusion neural network[J/OL]. Journal of Jilin agricultural university, 2021. (2021-11-16)[2024-10-22].

87
何峰, 吴华瑞, 史扬明, 等. 基于改进SlowFast模型的设施黄瓜农事行为识别方法[J]. 智慧农业(中英文), 2024, 6(3): 118-127.

HE F, WU H R, SHI Y M, et al. Recognition method of facility cucumber farming behaviours based on improved SlowFast model[J]. Smart agriculture, 2024, 6(3): 118-127.

88
吴华瑞, 钟熙, 赵春江, 等. 农村社区动态交互式三维虚拟漫游系统的实现[J]. 农业工程学报, 2008, 24(2): 176-180.

WU H R, ZHONG X, ZHAO C J, et al. Realization of the dynamic interactive 3D virtual wandering system in the rural community based on VRML[J]. Transactions of the Chinese society of agricultural engineering, 2008, 24(2): 176-180.

89
王亚楠, 吴华瑞, 黄锋. 高并发Web应用系统的性能优化分析与研究[J]. 计算机工程与设计, 2014, 35(8): 2976-2981.

WANG Y N, WU H R, HUANG F. Optimization analysis and research of high concurrency Web application system performance[J]. Computer engineering and design, 2014, 35(8): 2976-2981.

90
钱春阳, 王建春, 李凤菊, 等. 基于FRAM和NB-IOT的设施温室智能环境采集系统设计[J]. 江西农业学报, 2019, 31(5): 122-125.

QIAN C Y, WANG J C, LI F J, et al. Design of intelligent environment acquisition system for facility greenhouse based on FRAM and NB-IOT[J]. Acta agriculturae Jiangxi, 2019, 31(5): 122-125.

91
李扬, 王建春, 吴华瑞, 等. 基于LoRa与模糊控制的温室环境调控系统设计[J]. 江苏农业科学, 2021, 49(20): 210-216.

LI Y, WANG J C, WU H R, et al. Design of greenhouse environment control system based on LoRa and fuzzy control[J]. Jiangsu agricultural sciences, 2021, 49(20): 210-216.

92
于景鑫, 杜森, 吴勇, 等. 基于云原生技术的土壤墒情监测系统设计与应用[J]. 农业工程学报, 2020, 36(13): 165-172.

YU J X, DU S, WU Y, et al. Design and application of soil moisture content monitoring system based on cloud-native technology[J]. Transactions of the Chinese society of agricultural engineering, 2020, 36(13): 165-172.

93
杨改改, 高贤强. 基于微服务架构的农业数据云存储研究[J]. 浙江农业科学, 2022, 63(4): 853-856.

YANG G G, GAO X Q. Research on agricultural data cloud storage platform based on micro-services[J]. Journal of Zhejiang agricultural sciences, 2022, 63(4): 853-856.

94
杨信廷, 王明亭, 徐大明, 等. 基于区块链的农产品追溯系统信息存储模型与查询方法[J]. 农业工程学报, 2019, 35(22): 323-330.

YANG X T, WANG M T, XU D M, et al. Data storage and query method of agricultural products traceability information based on blockchain[J]. Transactions of the Chinese society of agricultural engineering, 2019, 35(22): 323-330.

95
孙传恒, 于华竟, 徐大明, 等. 农产品供应链区块链追溯技术研究进展与展望[J]. 农业机械学报, 2021, 52(1): 1-13.

SUN C H, YU H J, XU D M, et al. Review and prospect of agri-products supply chain traceability based on blockchain technology[J]. Transactions of the Chinese society for agricultural machinery, 2021, 52(1): 1-13.

96
刘双印, 雷墨鹥兮, 徐龙琴, 等. 基于区块链的农产品质量安全可信溯源系统研究[J]. 农业机械学报, 2022, 53(6): 327-337.

LIU S Y, LEI M Y X, XU L Q, et al. Development of reliable traceability system for agricultural products quality and safety based on blockchain[J]. Transactions of the Chinese society for agricultural machinery, 2022, 53(6): 327-337.

97
杨锋, 吴华瑞, 朱华吉, 等. 基于Hadoop的海量农业数据资源管理平台[J]. 计算机工程, 2011, 37(12): 242-244.

YANG F, WU H R, ZHU H J, et al. Massive agricultural data resource management platform based on hadoop[J]. Computer engineering, 2011, 37(12): 242-244.

98
江顺, 陈荣宇, 林伟君, 等. 基于大数据的智能农业云服务平台设计与实现[J]. 安徽农业科学, 2022, 50(16): 190-197.

JIANG S, CHEN R Y, LIN W J, et al. Design and implementation of intelligent agricultural cloud service platform based on big data technology[J]. Journal of Anhui agricultural sciences, 2022, 50(16): 190-197.

99
WSPANIALY P, MOUSSA M. A detection and severity estimation system for generic diseases of tomato greenhouse plants[J]. Computers and electronics in agriculture, 2020, 178: ID 105701.

100
郑超杰, 李少波, 蒲睿强, 等. 基于轻量化卷积神经网络的番茄叶片病害识别[J]. 江苏农业科学, 2024, 52(11): 225-231.

ZHENG C J, LI S B, PU R Q, et al. Tomato leaf disease recognition based on lightweight convolutional neural network[J]. Jiangsu agricultural sciences, 2024, 52(11): 225-231.

101
刘拥民, 刘翰林, 石婷婷, 等. 一种优化的Swin Transformer番茄叶片病害识别方法[J]. 中国农业大学学报, 2023, 28(4): 80-90.

LIU Y M, LIU H L, SHI T T, et al. Tomato leaf disease recognition based on an optimized Swin Transformer[J]. Journal of China agricultural university, 2023, 28(4): 80-90.

102
李淑菲, 李凯雨, 乔岩, 等. 基于可见光光谱和改进YOLOv5的自然场景下黄瓜病害检测方法[J]. 光谱学与光谱分析, 2023, 43(8): 2596-2600.

LI S F, LI K Y, QIAO Y, et al. Cucumber disease detection method based on visible light spectrum and improved YOLOv5 in natural scenes[J]. Spectroscopy and spectral analysis, 2023, 43(8): 2596-2600.

103
符首夫. 基于卷积神经网络的农作物昆虫识别与计数[D]. 镇江: 江苏科技大学, 2020.

FU S F. Crop insect recognition and counting based on convolutional neural network[D]. Zhenjiang: Jiangsu University of Science and Technology, 2020.

104
王卫民, 符首夫, 顾榕蓉, 等. 基于卷积神经网络的虫情图像分割和计数方法[J]. 计算机工程与科学, 2020, 42(1): 110-116.

WANG W M, FU S F, GU R R, et al. An insect image segmentation and counting method based on convolutional neural network[J]. Computer engineering & science, 2020, 42(1): 110-116.

105
陈俭. 基于卷积神经网络和度量学习的害虫检测方法研究[D]. 杭州: 浙江大学, 2021.

CHEN J. Research on pest detection method based on convolutional neural network and metric learning[D]. Hangzhou: Zhejiang University, 2021.

106
ZU L L, ZHAO Y P, LIU J Q, et al. Detection and segmentation of mature green tomatoes based on mask R-CNN with automatic image acquisition approach[J]. Sensors, 2021, 21(23): 7842.

107
CHEN W B, LIU M C, ZHAO C J, et al. MTD-YOLO: Multi-task deep convolutional neural network for cherry tomato fruit bunch maturity detection[J]. Computers and electronics in agriculture, 2024, 216: ID 108533.

108
LI X X, MA N, HAN Y H, et al. AHPPEBot: Autonomous robot for tomato harvesting based on phenotyping and pose estimation[C]// 2024 IEEE International Conference on Robotics and Automation (ICRA). Piscataway, New Jersey, USA: IEEE, 2024: 18150-18156.

109
杨信廷, 刘彤, 韩佳伟, 等. 基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究[J]. 农业机械学报, 2024, 55(3): 213-220.

YANG X T, LIU T, HAN J W, et al. Low temperature storage tomato maturity recognition and time series prediction based on Swin Transformer-GRU[J]. Transactions of the Chinese society for agricultural machinery, 2024, 55(3): 213-220.

110
SHEN T, ZHANG F, CHENG J W. A comprehensive overview of knowledge graph completion[J]. Knowledge-based systems, 2022, 255: ID 109597.

111
LU Y C, LU X Y, ZHENG L P, et al. Application of multimodal transformer model in intelligent agricultural disease detection and question-answering systems[J]. Plants, 2024, 13(7): ID 972.

112
KIRILLOV A, MINTUN E, RAVI N, et al. Segment any‐thing[EB/OL]. arXiv: 2304.02643, 2023.

113
林森, 郭文忠, 郑建锋, 等. 基于知识图谱和机器视觉的智慧草莓生产托管服务系统实践[J]. 农业工程技术, 2021, 41(4): 17-20.

LIN S, GUO W Z, ZHENG J F, et al. Practice of smart strawberry production hosting service system based on knowledge graph and machine vision[J]. Agricultural engineering technology, 2021, 41(4): 17-20.

114
张宇, 于合龙, 郭文忠, 等. 基于知识图谱的番茄种植管理可视化查询[J]. 农机化研究, 2024, 46(3): 8-13.

ZHANG Y, YU H L, GUO W Z, et al. Visual query of tomato irrigation based on knowledge graph[J]. Journal of agricultural mechanization research, 2024, 46(3): 8-13.

115
FENG X G, ZHAO C J, WANG C S, et al. A vegetable leaf disease identification model based on image-text cross-modal feature fusion[J]. Frontiers in plant science, 2022, 13: ID 918940.

116
王彤, 张立杰, 王铭, 等. 融合RoBERTa-WWM和全局指针网络的农业病害实体关系联合抽取研究[J]. 河北农业大学学报, 2024, 47(3): 113-120, 129.

WANG T, ZHANG L J, WANG M, et al. Joint extraction of agricultural disease entity and relations by combining RoBERTA-WWM and global pointer[J]. Journal of Hebei agricultural university, 2024, 47(3): 113-120, 129.

117
王春山. 基于多模态数据与知识融合的开放环境蔬菜病害识别方法研究[D]. 保定: 河北农业大学, 2023.

WANG C S. Research on recognition method of vegetable diseases in open environment based on multimodal data and knowledge fusion[D]. Baoding: Hebei Agricultural University, 2023.

118
饶海笛.基于语义的作物病虫害多模态知识问答方法研究[D]. 合肥: 安徽农业大学, 2023.

RAO H D. Semantic-based multimodal knowledge question and answer method for crop pests and diseases[D]. Hefei: Anhui Agricultural University, 2023.

119
赵春江. 农业知识智能服务技术综述[J]. 智慧农业(中英文), 2023, 5(2): 126-148.

ZHAO C J. Agricultural knowledge intelligent service technology: A review[J]. Smart agriculture, 2023, 5(2): 126-148.

120
LYU B W, WU H R, CHEN W B, et al. VEG-MMKG: Multimodal knowledge graph construction for vegetables based on pre-trained model extraction[J]. Computers and electronics in agriculture, 2024(226): ID 109398.

文章导航

/